Методи та засоби визначення координат мобільних платформ за умови дії завад
-
Published:2024-03-04
Issue:2
Volume:34
Page:69-77
-
ISSN:2519-2477
-
Container-title:Scientific Bulletin of UNFU
-
language:
-
Short-container-title:SBUNFU
Author:
Цмоць І. Г.ORCID, Теслюк В. М.ORCID, Опотяк Ю. В.ORCID, Бударецький Ю. І.ORCID, Дзюба А. О.ORCID, Олійник О. О.ORCID
Abstract
Сформульовано вимоги до системи інтелектуального визначення координат мобільних платформ за умови дії завад, визначено основні етапи розроблення системи. Запропоновано розроблення системи здійснювати на базі інтегрованого підходу, який охоплює: методи нейромережевого оброблення та аналізу даних від навігаційних сенсорів; методи машинного навчання нейронних мереж; методи навігації; методи збирання та оброблення даних із давачів за умови дії завад і неповноти інформації; сучасну елементну базу. Обрано проблемно-орієнтований підхід для реалізації системи, який передбачає поєднання програмних і апаратних засобів та такі основні принципи розроблення: адаптації до змін у середовищі; системності; змінного складу обладнання; модульності; відкритості програмного забезпечення; сумісності; спеціалізації та адаптації апаратно-програмних засобів до структури алгоритмів; використання комплексу базових проектних рішень. Розроблено структуру системи, основними компонентами якої є модулі: навігаційних давачів; бездротового зв'язку та захисту даних; оброблення, аналізу та відновлення втрачених даних; нейромережевого підвищення точності вимірювання параметрів руху та визначення географічних координат; нейромережевого прогнозування географічних координат і маршруту руху; збирання та збереження даних; визначення географічних координат і управління рухом. Вдосконалено метод нейромережевого сингулярного спектрального аналізу, який за рахунок відкидання головних компонентів, що вносять шуми, забезпечив підвищення точності вимірювання параметрів руху. Показано, що використання сингулярного спектрального аналізу є доцільним у задачах підвищення точності вимірювання параметрів руху та прогнозування вихідних параметрів динамічних об'єктів. Визначено, що нейромережевий спектральний аналіз порівняно з класичними методами немає обмежень на вимірність, є швидким, неітеративним і не нагромаджує похибки.
Publisher
Ukrainian National Forestry University
Reference28 articles.
1. Andriyetskyy, B. (2018). Architecture of a neuronetwork complex for forecasting time sequences based on neuronetwork spectral analysis. Bulletin of the Lviv State University of Life Safety, Vol. 7, 8–12. URL: https://journal.ldubgd.edu.ua/index.php/Visnuk/article/view/664 2. Bekhtin, Y. S., Babayan, P. V., & Strotov, V. V. (2017, June). Onboard FPGA-based fast estimation of point object coordinates for linear IR-sensor. Microprocessors and Microsystems, Vol. 51, 99–105. https://doi.org/10.1016/j.micpro.2017.04.009 3. Bonilla, M. S. I., Pérez, D. G., Cambero, I. De J. R., & Jiménez, J. T. (2022). Training of a convolutional neural network for autonomous vehicle Driving. IEEE International Autumn Meeting on Power, Electronics and Computing (ROPEC), Ixtapa, Mexico, 1–6. https://doi.org/10.1109/ROPEC55836.2022.10018748 4. Chen, Q., Wan, L., & Pan, Ya-Jun. (2023). Object Recognition and Localization for Pick-and-Place Task using Difference-based Dynamic Movement Primitives. IFAC-PapersOnLine, Vol. 56, Issue 2, 10004–10009. https://doi.org/10.1016/j.ifacol.2023.10.865 5. Doroshenko, A., Tkachenko, R., Tsymbal, Yu., & Batiuk, D. (2017). Intelligent components of integrated automated control systems for energy systems. Series of Computer Sciences and Information Technologies (SCSIT), 2017, Vol. 864, Number 1, 90–96. URL: https://science.lpnu.ua/sites/default/files/journal-paper/2018/jul/13748/12.pdf
|
|